基于加权张量低秩约束的多视图谱聚类

现有基于图的多视图聚类方法通常难以同时考虑不同视图的潜在高阶相关信息和每个视图内的全局几何结构,导致聚类性能受限。为此,提出一种基于加权张量低秩约束的多视图谱聚类方法(WTLR-MSC)。根据多视图数据构建概率转移矩阵,将所有的概率转移矩阵构建为三阶张量,并借助鲁棒主成分分析思想将其分解为目标张量和误差张量。使用加权张量核范数约束目标张量的旋转张量,利用奇异值先验信息准确挖掘多视图数据的潜在高阶相关信息,并利用核范数约束目标张量的每个正切片以刻画每个视图内的全局几何结构。基于此建立数学模型,并设计有效的求解算法。在BBCSport、BBC4View、COIL20、UCI Digits 4个常用数据集上的实验结果表明,WTLR-MSC较ERLRT、MCA~2M、MGL-WTNN等聚类方法的性能有显著提升,准确率、标准化互信息、F1值、精确率、召回率相较于次优方法最高提升约1.3、1.0、1.2、1.6和0.8个百分点,大幅增强了多视图聚类的稳健性。

张量学习诱导的多视图谱聚类

现有的方法将通过张量奇异值分解(t-SVD)正则化的低秩表示应用到多视图子空间聚类中,取得了令人印象深刻的聚类性能.然而,它们都具有以下两个共同的缺点:(1)他们专注于探索样本之间的关系以构建表征,然后将其堆叠为张量,其计算复杂度至少为O(n2logn);(2)他们总是直接在整合的表征上运行标准的谱聚类算法,而忽略了不同表征对最终聚类结果的先验知识.为了解决这些问题,本文提出了一种新颖的张量学习诱导的多视图谱聚类(TLIMSC)方法,其中同时探索了空间聚类结构和互补信息.具体来说,该方法将关联样本和簇关系的多视图谱嵌入表示堆叠成张量,计算复杂度最终变为O(n logn).然后,将学习到的带有不同自适应置信度的表征与最终的一致聚类结果联系起来.在五个数据集上的广泛实验证明了TLIMSC所具有的有效性和高效性.

改进的鲁棒低秩正则化张量填充

考虑到传统张量核范数作为秩函数的凸松弛在实际优化效果上的不足,本文借助非凸松弛的思想,提出了由加权张量核范数和加权张量Frobenius范数组合而成的新的非凸的张量填充模型,并运用交替方向乘子法求解所提出的低秩张量恢复模型。在张量填充方面,该模型在PSNR指标和视觉感知方面均优于传统方法,也取得了比传统算法更好的性能。

局部对比度先验下基于低秩模型的红外小目标检测方法

为了解决红外小目标检测算法容易在复杂背景边缘和拐点处误检的问题,本文提出了一种局部对比度与非局部低秩张量模型相融合的红外小目标检测算法。首先采用双窗口结构的局部对比度算法提取目标和背景的局部先验信息。然后在所获取的局部先验信息约束下,对标准的红外块张量模型进行重新构建,并通过引入加权张量核范数最小化来进一步抑制背景和提高迭代效率。最后,将目标和背景的分离问题,转化成了一个张量鲁棒性主成分分析问题,并用交替方向乘子法实现该问题的求解。实验表明,在不同的复杂背景下,本文方法的性能均优于现有的典型红外小目标检测方法。